Como realizar um teste chow em r

Um teste de Chow é usado para testar se os coeficientes de dois modelos de regressão diferentes em conjuntos de dados diferentes são iguais.

Este teste é normalmente usado no campo da econometria com dados de séries temporais para determinar se há uma quebra estrutural nos dados em um determinado momento.

Este tutorial fornece um exemplo passo a passo de como realizar um teste Chow em R.

Etapa 1: crie os dados

Primeiro, criaremos dados falsos:

 #create data
data <- data.frame(x = c(1, 1, 2, 3, 4, 4, 5, 5, 6, 7, 7, 8, 8, 9, 10, 10,
                         11, 12, 12, 13, 14, 15, 15, 16, 17, 18, 18, 19, 20, 20),
                   y = c(3, 5, 6, 10, 13, 15, 17, 14, 20, 23, 25, 27, 30, 30, 31,
                         33, 32, 32, 30, 32, 34, 34, 37, 35, 34, 36, 34, 37, 38, 36))

#view first six rows of data
head(data)

  xy
1 1 3
2 1 5
3 2 6
4 3 10
5 4 13
6 4 15

Etapa 2: visualize os dados

A seguir, criaremos um gráfico de dispersão simples para visualizar os dados:

 #load ggplot2 visualization package
library (ggplot2)

#create scatterplot
ggplot(data, aes (x = x, y = y)) +
    geom_point(col=' steelblue ', size= 3 )

No gráfico de dispersão, podemos ver que o padrão nos dados parece mudar em x = 10. Assim, podemos realizar o teste de Chow para determinar se há um ponto de quebra estrutural nos dados em x = 10.

Etapa 3: execute o teste de comida

Podemos usar a função sctest do pacote strucchange para realizar um teste Chow:

 #load strucchange package
library (strucchange)

#perform Chow test
sctest(data$y ~ data$x, type = " Chow ", point = 10 )

	Chow test

data: data$y ~ data$x
F = 110.14, p-value = 2.023e-13

Pelo resultado do teste podemos ver:

• Estatística do teste F : 110,14
• valor p: <0,0000

Como o valor p é inferior a 0,05, podemos rejeitar a hipótese nula do teste. Isto significa que temos evidências suficientes para afirmar que um ponto de ruptura estrutural está presente nos dados.

Em outras palavras, duas linhas de regressão podem ajustar o modelo aos dados de forma mais eficaz do que uma única linha de regressão.